[發明專利]基于神經網絡非線性模型的發動機線性化建模方法

在審

• 申請號: 202110740687.2
• 申請日: 2021-06-30
• 公開（公告）號: CN113343390A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 譚湘敏;胡春艷;孫嘉嫻;韓博;李垚
• 申請（專利權）人: 中國科學院工程熱物理研究所
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F17/16;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 吳夢圓

本公開提供了一種基于神經網絡非線性模型的發動機線性化建模方法、裝置、電子設備和計算機可讀存儲介質，其發動機線性化建模方法包括：采集發動機數據集；利用網絡架構搜索方法，得到對應于發動機數據集的神經網絡架構及超參數，并進行神經網絡模型訓練，得到發動機非線性神經網絡模型；采用數值擾動方法，對發動機非線性神經網絡模型進行線性化處理，建立發動機穩態點鄰域內的線性狀態空間模型；根據調度參數將發動機的運行過程分為N段，對每一段運行過程分別進行線性化處理，得到N個子線性狀態空間模型；基于調度參數和N個子線性狀態空間模型，構造線性變參數模型的系數矩陣，得到發動機的全運行過程對應的線性狀態空間模型。

技術領域

本公開涉及發動機建模領域，尤其涉及一種基于神經網絡非線性模型的發動機線性化建模方法、裝置、電子設備和計算機可讀存儲介質。

背景技術

控制系統是發動機正常運行，實現各種功能的基礎，發動機的模型是控制器設計的基礎，模型越精確，越有利于設計出最優的控制律，且控制器中的控制算法大都基于線性系統理論。因此，在發動機控制系統研發過程中，首先需要建立被控對象的線性模型。

系統線性模型的建立大都基于非線性模型。建模的本質是得到系統輸入輸出之間的映射關系。在控制理論發展的早期，被控對象模型是通過分析對象的組成結構，結合相關物理與數學知識，建立起系統輸入與輸出的解析關系式，稱為機理建模，也叫“白盒”建模。在發動機領域，典型的機理建模方法有部件法和容積法，機理建模方法具有很強的物理意義，但隨著發動機結構愈加復雜，對控制精度的要求越來越高，傳統機理建模方法在精度、效率和自適應方面存在較大的局限性。20世紀以來，隨著測控技術、計算機技術和人工智能技術的快速發展，人們開始考慮采用機器學習的方式建立發動機模型，通過神經網絡來學習對象模型輸入輸出之間的映射關系，提高了模型精度。不過，在訓練神經網絡之前，需要預先確定神經網絡結構和訓練參數，這個過程往往通過人工“調參”的方式實現，耗費了大量的時間與精力。直至2016年網絡架構搜索(NAS)算法的首次成功應用，解決了神經網絡“調參”依賴人工、耗時耗力的問題，而計算機計算性能的高速發展以及一系列網絡架構搜索加速算法的產生又在一定程度上解決了算法計算資源消耗巨大的問題。然而，網絡架構搜索算法在發動機建模領域的應用效果尚未得知，發動機模型建模的效率問題未得到根本性解決。

在模型線性化方面，控制理論發展的早期，基于解析關系式的偏導數法是一種常用的線性化方法，隨著被控對象變得越來越復雜，機理建模法并不能得到明確的解析關系式，偏導數法應用受限。為解決這個問題，數值擾動法應運而生，但在對機理模型進行數值擾動時，需要考慮模型中可能存在的延時等特殊模塊，導致數值擾動法應用于機理模型時產生不便。此外，發動機的線性化模型只是某個穩態點鄰域的模型，設計出的控制器也只適用于該穩態點，為了擴大控制器的適用范圍，在自動控制領域，通常要建立被控系統的線性變參數模型，目前，在發動機建模領域尚未應用線性變參數建模技術。

發明內容

(一)要解決的技術問題

本公開提供了一種基于神經網絡非線性模型的發動機線性化建模方法、裝置、電子設備和計算機可讀存儲介質，以解決以上所提出的技術問題。

(二)技術方案

根據本公開的一個方面，提供了一種基于神經網絡非線性模型的發動機線性化建模方法，包括：

采集發動機數據集，其中，所述發動機數據集包括發動機現場運行數據和/或仿真數據；

利用網絡架構搜索方法，得到對應于所述發動機數據集的神經網絡架構及超參數；

在所述對應于所述發動機數據集的神經網絡架構及所述超參數的基礎上進行神經網絡模型訓練，得到發動機非線性神經網絡模型；

采用數值擾動方法，對所述發動機非線性神經網絡模型進行線性化處理，建立發動機穩態點鄰域內的線性狀態空間模型；